基于动态学习的 DyL-Unet 框架用于时间一致的超声心动图分割
计算机视觉与模式识别
2025-09-24 v1
摘要
超声心动图中心脏解剖结构的准确分割对于心血管疾病的诊断和治疗至关重要。然而，超声心动图容易产生形变和散斑噪声，导致帧间分割抖动。即使单帧分割具有很高的精度，时间不稳定性也会削弱功能估计并损害临床可解释性。为了解决这些问题，我们提出了 DyL-UNet，这是一种基于动态学习的时间一致性 U-Net 分割架构，旨在实现时间稳定且精确的超声心动图分割。该框架通过动态学习构建回声动力学图（EDG），以从视频中提取动态信息。DyL-UNet 结合了多个基于 Swin-Transformer 的编码器-解码器分支来处理单帧图像。它还在跳跃连接处引入了心脏相位动力学注意力（CPDA），利用 EDG 编码的动态特征和心脏相位线索在分割过程中强制实施时间一致性。在 CAMUS 和 EchoNet-Dynamic 数据集上的大量实验表明，DyL-UNet 在保持与现有方法相当的分割精度的同时，实现了卓越的时间一致性，为自动化临床超声心动图提供了可靠的解决方案。
引用
@article{arxiv.2509.19052,
title = {A DyL-Unet framework based on dynamic learning for Temporally Consistent Echocardiographic Segmentation},
author = {Jierui Qu and Jianchun Zhao},
journal= {arXiv preprint arXiv:2509.19052},
year = {2025}
}